本申请涉及图像识别,特别是涉及基于深度学习图像识别的垃圾分类方法及系统。
背景技术:
1、垃圾分类,是指按照垃圾的不同成分、属性、利用价值以及对环境的影响,并根据不同处置方式的要求,分成属性不同的若干种类。通俗地讲,垃圾分类就是在源头将垃圾分类投放,并通过分类收集、分类运输和分类处理,实现垃圾减量化、资源化、无害化处理。当前,随着经济社会的快速发展和城市人口的快速增长,生活垃圾产生量不断攀升,垃圾处理能力严重不足的矛盾日益突出。如果不及时采取有效措施,将对我们生活的环境、大气造成污染,直接威胁人民的身心健康。
2、综上所述,本申请解决了现有技术中垃圾分类较为繁琐,识别速度较慢,精度不高的问题。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种能够提高垃圾分类的识别速度和精准度的基于深度学习图像识别的垃圾分类方法及系统。
2、第一方面,本申请提供了基于深度学习图像识别的垃圾分类方法,所述方法包括:收集垃圾图片数据集,所述垃圾图片数据集包括厨余垃圾图片数据子集、可回收垃圾图片数据子集、有毒有害垃圾图片数据子集、不可回收垃圾图片数据子集;基于所述垃圾图片数据集,构建垃圾自动识别模型,所述垃圾自动识别模型包括厨余垃圾图片识别通道、可回收垃圾图片识别通道、有毒有害垃圾图片识别通道、不可回收垃圾图片识别通道;基于cnn网络,在所述垃圾自动识别模型中进行特征图尺寸分割,获取不同尺寸的垃圾特征图集;随机选取所述垃圾特征图集中的第一尺寸垃圾特征图、第二尺寸垃圾特征图,所述第一尺寸垃圾特征图、所述第二尺寸垃圾特征图分别对应所述厨余垃圾图片识别通道、可回收垃圾图片识别通道、有毒有害垃圾图片识别通道、不可回收垃圾图片识别通道中的任意一条通道,且所述第一尺寸垃圾特征图、第二尺寸垃圾特征图对应的通道不同;将所述第一尺寸垃圾特征图、所述第二尺寸垃圾特征图放缩为预设尺寸后,得到第一放缩垃圾特征图、第二放缩垃圾特征图;将所述第一放缩垃圾特征图、第二放缩垃圾特征图交叉输入所述垃圾自动识别模型,进行交叉优化,所述垃圾自动识别模型的输出为垃圾分类结果。
3、第二方面,本申请提供了基于深度学习图像识别的垃圾分类系统,所述系统包括:垃圾图片数据集收集模块,所述垃圾图片数据集收集模块用于收集垃圾图片数据集,所述垃圾图片数据集包括厨余垃圾图片数据子集、可回收垃圾图片数据子集、有毒有害垃圾图片数据子集、不可回收垃圾图片数据子集;垃圾自动识别模型构建模块,所述垃圾自动识别模型构建模块用于基于所述垃圾图片数据集,构建垃圾自动识别模型,所述垃圾自动识别模型包括厨余垃圾图片识别通道、可回收垃圾图片识别通道、有毒有害垃圾图片识别通道、不可回收垃圾图片识别通道;垃圾特征图集获取模块,所述垃圾特征图集获取模块用于基于cnn网络,在所述垃圾自动识别模型中进行特征图尺寸分割,获取不同尺寸的垃圾特征图集;垃圾特征对应通道模块,所述垃圾特征对应通道模块用于随机选取所述垃圾特征图集中的第一尺寸垃圾特征图、第二尺寸垃圾特征图,所述第一尺寸垃圾特征图、所述第二尺寸垃圾特征图分别对应所述厨余垃圾图片识别通道、可回收垃圾图片识别通道、有毒有害垃圾图片识别通道、不可回收垃圾图片识别通道中的任意一条通道,且所述第一尺寸垃圾特征图、第二尺寸垃圾特征图对应的通道不同;特征图放缩模块,所述特征图放缩模块用于将所述第一尺寸垃圾特征图、所述第二尺寸垃圾特征图放缩为预设尺寸后,得到第一放缩垃圾特征图、第二放缩垃圾特征图;垃圾分类结果输出模块,所述垃圾分类结果输出模块用于将所述第一放缩垃圾特征图、第二放缩垃圾特征图交叉输入所述垃圾自动识别模型,进行交叉优化,所述垃圾自动识别模型的输出为垃圾分类结果。
4、本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
5、首先,收集垃圾图片数据集,所述垃圾图片数据集包括厨余垃圾图片数据子集、可回收垃圾图片数据子集、有毒有害垃圾图片数据子集、不可回收垃圾图片数据子集;其次基于所述垃圾图片数据集,构建垃圾自动识别模型,所述垃圾自动识别模型包括厨余垃圾图片识别通道、可回收垃圾图片识别通道、有毒有害垃圾图片识别通道、不可回收垃圾图片识别通道;然后基于cnn网络,在所述垃圾自动识别模型中进行特征图尺寸分割,获取不同尺寸的垃圾特征图集;接下来随机选取所述垃圾特征图集中的第一尺寸垃圾特征图、第二尺寸垃圾特征图,所述第一尺寸垃圾特征图、所述第二尺寸垃圾特征图分别对应所述厨余垃圾图片识别通道、可回收垃圾图片识别通道、有毒有害垃圾图片识别通道、不可回收垃圾图片识别通道中的任意一条通道,且所述第一尺寸垃圾特征图、第二尺寸垃圾特征图对应的通道不同;再将所述第一尺寸垃圾特征图、所述第二尺寸垃圾特征图放缩为预设尺寸后,得到第一放缩垃圾特征图、第二放缩垃圾特征图;最后将所述第一放缩垃圾特征图、第二放缩垃圾特征图交叉输入所述垃圾自动识别模型,进行交叉优化,所述垃圾自动识别模型的输出为垃圾分类结果。本申请解决了现有技术中垃圾分类较为繁琐,识别速度较慢,精度不高的问题,达到了提高垃圾分类的识别速度和精准度的技术效果。
6、上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
1.基于深度学习图像识别的垃圾分类方法,其特征在于,所述方法包括:
2.如权利要求1所述的基于深度学习图像识别的垃圾分类方法,其特征在于,将所述第一放缩垃圾特征图、第二放缩垃圾特征图交叉输入所述垃圾自动识别模型,进行交叉优化,所述方法包括:
3.如权利要求2所述的基于深度学习图像识别的垃圾分类方法,其特征在于,若满足预设交叉优化触发次数,所述方法还包括:
4.如权利要求3所述的基于深度学习图像识别的垃圾分类方法,其特征在于,对所述第一放缩垃圾特征图、第二放缩垃圾特征图进行图像处理,之前,所述方法还包括:
5.如权利要求4所述的基于深度学习图像识别的垃圾分类方法,其特征在于,所述方法包括:
6.如权利要求5所述的基于深度学习图像识别的垃圾分类方法,其特征在于,所述垃圾自动识别模型的输出为垃圾分类结果,所述方法还包括:
7.基于深度学习图像识别的垃圾分类系统,其特征在于,所述系统包括: